Yarn是hadoop2.0之後引入的一個資源管理層，mapreduce也僅是yarn的一種應用模式，按照既定的協議從yarn中申請cpu,內存等資源。
Yarn由五部分組成，recouceManager(RM),nodeManager(NM),ApplicationMaster(AM),容器(container),客戶端(client)。
RM：負責集羣資源的管理由調度器和應用管理器組成，調度器負責爲集羣中所有的應用分配資源。
NM：負責本地節點資源管理。
AM：應用的守護進程，負責與RM進行資源協商。應用提交後，RM的調度器和應用管理器協商後得到一個容器用以啓動AM，AM啓動後通過心跳機制與RM通信目的主要是爲應用申請資源。
容器：分配給應用資源的抽象形式。
客戶端：一個實例用來向RM提交應用。
MapReduce計算框架在運行時分爲兩部分，一部分稱爲MRAppMaster負責管理，其餘的全是任務他們都運行在yarn容器中。Yarn容器在hadoop框架中負責資源管，分爲ResourceManager和DataManager，ResourceManager在主節點上負責集羣資源分配調度，DataManager在從節點上負責單節點的資源管理。
我們通過Hadoopjar執行MapReduce架包( jar文件)：
1：首先將架包文件上傳到hdfs中，然後再將地址告訴ResourceManager。
2：ResourceManager從地址中拿到jar後會分析其代碼，分析後發現這是一個MapReduce程序，然後從集羣中的某一個DataManager中分配一個容器這個容器用來存放MRAppMaster。
3：MRAppMaster啓動後會去分析jar中的代碼發現一共需要3個map任務和1個reduce任務，然後向ResourceManager申請4個容器。
4：ResourceManager會去檢查如果有4個容器就會分配4個容器給MR，這個4個容器可能不在同一個節點上。
5：分配容器後框架會先啓動3個map任務進行處理，處理完後啓動reduce任務去其他節點中拷貝數據進行reduce處理。
6：Map或reduce任務執行完畢後MRAppMaster會告訴ResourceManager請收回容器，當所有任務資源都收回後ResourceManager再收回MRAppMaster資源。自此所有的job都執行完畢。
注意：如果map任務和它需要讀取的數據在同一個節點上這樣屬於本地數據data_local,這種情況效率會比較高。
